CN117056793A - 一种注意力水平监控及预测方法、装置、设备和存储介质 - Google Patents

一种注意力水平监控及预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117056793A
CN117056793A CN202310913282.3A CN202310913282A CN117056793A CN 117056793 A CN117056793 A CN 117056793A CN 202310913282 A CN202310913282 A CN 202310913282A CN 117056793 A CN117056793 A CN 117056793A
Authority
CN
China
Prior art keywords
index
data
attention
time sequence
pupil diameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310913282.3A
Other languages
English (en)
Inventor
谢康宁
翟雅文
汤池
罗二平
李艳
马焦焦
翟明明
刘娟
张楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Medical University of PLA
Original Assignee
Air Force Medical University of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Air Force Medical University of PLA filed Critical Air Force Medical University of PLA
Priority to CN202310913282.3A priority Critical patent/CN117056793A/zh
Publication of CN117056793A publication Critical patent/CN117056793A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
    • A61B3/112—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring diameter of pupils
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Developmental Disabilities (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种注意力水平监控及预测方法、装置、设备和存储介质，上述方法包括：步骤1：获取当前被测人员的瞳孔直径数据，进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；步骤2：根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列；步骤3：根据调节能力指数的时间序列提取专注力指数，并建立专注力预测模型，有两种专注力模式，一是专注模式，二是走神模式；步骤4：根据建立的预测模型进行专注力状态预测和显示，并可进一步进行提醒。

Description

一种注意力水平监控及预测方法、装置、设备和存储介质
技术领域
本发明涉及注意力水平监控技术领域，特别涉及一种注意力水平监控及预测方法、装置、设备和存储介质。
背景技术
人体具备适应性行为以适应多样化和不断变化的世界。通常有两种模式相互交替，一种模式专注于当前任务，被称为专注模式(exploitation mode)，另一种模式不专注于当前任务，称为非专注模式或探索模式(exploration mode)(参考文献：Gary Aston-Jones and Jonathan D.Cohen，2005，Annu.Rev.Neurosci.)。
从生理学角度讲，专注模式可取得已知来源的奖励，而非专注模式可探索新的潜在的奖励，这两种模式的切换对人的好处是不至于专注于当前任务而忽略了更多的机会。然而，这种切换对于比较重要的任务(例如驾驶、飞行、空管、在线学习等)，非专注模式显然是不利于当前任务的。另一方面，两种模式的切换具有规律，难以完全避免非专注模式，因此，需要对两种模式做出相应的预测，以便于及时调整人机工效策略，避免发生不良后果。
目前，注意力水平监控的几种做法：
一是任务绩效评价注意力：
例如CN202110390953.3一种注意力监测方法，播放音频提示信息，音频提示信息用于对目标任务的至少一个参与对象进行注意力监测，目标任务以音频内容为载体；采集目标参与对象根据音频提示信息响应的互动状态，以根据互动状态确定目标参与对象完成目标任务过程中的注意力监测结果；本申请可以提升注意力监测结果准确率。
二是行为匹配法，通过事先记录的注意力不集中的图像匹配探测是否注意力集中：
例如CN202210236388.X注意力监测方法和台灯，获取台灯上的摄像头所拍摄的用户图像，所述用户图像用于表征用户的姿态和面部特征；根据用户个人信息获取典型特征库中与所述用户个人信息匹配的目标典型特征(包括用于表征用户注意力不集中的标准姿态特征和标准面部特征)，进行比对，判断用户注意力是否集中。
三是生理参数法：
例如CN202111543318.0一种飞行人员疲劳及注意力监测装置眼球扫描仪对飞行员状态进行飞行员状态进行检测。CN202211678741.6一种智适性教学模式在线学习注意力监测反馈方法通过虹膜形位特征的目光焦点追踪算法获取学生注意力集中程度。
然而，以上的方法都是对注意力的监控都是通过外在的行为或外在的直接参数进行判断，而我们知道，行为方式的变化受到大脑注意力调节机制的影响，呈现出复杂的多样性，一般的行为指数实际上反映的是行为本身，并不直接是注意力的高低。通俗的讲，眼睛盯着书本看这个行为可以理解为非常专注(注意力高)，但实际上其脑子很可能已经思维漂移，不知所想了。
发明内容
针对上述存在的问题，本发明旨在提供一种注意力水平监控及预测方法，解决以上问题。
为了实现上述目的，本发明所采用的技术方案如下：
一种注意力水平监控及预测方法，其特征在于，包括以下步骤：
步骤1：数据获取，同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
步骤2：数据预处理，对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
步骤3：指数计算，根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列，计算环境光指数，得到环境光指数的时间序列；
步骤4：指数矫正，根据环境光指数的时间序列采用自适应滤波器去除环境光干扰，从而得到矫正后的调节能力指数的时间序列；
步骤5：注意力水平计算，根据矫正后的调节能力指数的时间序列取基线得到注意力水平指数；
步骤6：注意力模式分类，根据注意力水平指数对注意力模式进行分类，分为专注状态和非专注状态；
步骤7：预测建模，根据注意力水平指数的时间序列构建注意力水平预测模型；
步骤8：输出，利用注意力水平预测模型对当前被测人员的专注力水平进行预测，将当前的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，判断是否处在合理的范围之内，如果超出合理范围可报警提示，把预测的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，如果即将超出合理范围则进行报警。
一种注意力监控及预测装置，其特征在于，包括数据获取模块、数据预处理模块、指数计算模块、指数矫正模块、注意力水平计算模块、注意力模式分类模块、预测建模模块以及输出模块；
数据获取模块，用于同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
数据预处理模块，用于对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
指数计算模块，用于根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列，计算环境光指数，得到环境光指数的时间序列；
指数矫正模块，用于基于环境光指数的时间序列通过自适应滤波器去除环境光干扰，得到矫正的调节能力指数的时间序列；
注意力水平计算模块，用于根据矫正后的调节能力指数的时间序列取基线得到注意力水平指数；
注意力模式分类模块，用于根据注意力水平指数对注意力模式进行分类，分为专注状态和非专注状态；
预测建模模块，根据注意力水平指数的时间序列构建注意力水平预测模型；
输出模块，利用注意力水平预测模型对当前被测人员的专注力水平进行预测，将当前的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，判断是否处在合理的范围之内，如果超出合理范围可报警提示，把预测的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，如果即将超出合理范围则进行报警。
一种电子设备，其特征在于，包括，
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1中所述的方法。
一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1中所述的方法。
本发明的有益效果是：
第一，本发明基于瞳孔直径计算出调节能力指数，该指数与普通的指标对应于行为本身不同(具有欺骗性)，调节能力指数定量的是行为背后的能力，而该能力是无法欺骗的。
第二，本发明通过调节能力定量的注意力水平可连续监测，通过实验验证，具有良好的周期性特征，可通过建模进行预测。
附图说明
图1为本发明的流程图；
图2为网课认知任务时刻-调节能力指数曲线；
图3为(a)-(c)为验证专注模式和非专注模式下调节能力实验指导及流程图；
图4(a)-(b)分别为插值前和插值后的瞳孔直径数据；
图5(a)-(b)为瞳孔直径瞳孔调节能力指数；其中，图5(a)为12名受试者瞳孔直径调节能力指数；图5(b)为两种模式下受试者整体的瞳孔直径调节能力指数；
图6(a)-(b)为功能测试中受试者1的结果图
图7(a)-(b)为功能测试中受试者2的结果图
图8(a)-(b)为功能测试中受试者3的结果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
如图1所示，一种专注力监控及预测方法，包括以下步骤：
步骤1：数据获取，同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
步骤2：数据预处理，对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
步骤3：指数计算，根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列，计算环境光指数，得到环境光指数的时间序列；
步骤4：指数矫正，并行得到的调节能力指数和环境光指数，采用自适应滤波器去除环境光干扰，得到矫正的调节能力指数的时间序列；
步骤5：注意力模式分类，根据调节能力指数的时间序列对当前模式进行分类，判断当前被测人员处于专注模式或非专注模式；
步骤6：预测建模，根据矫正后的调节能力指数的时间序列构建专注模式预测模型和非专注模式预测模型；
步骤7：输出，利用专注模式预测模型或非专注模式预测模型对当前被测人员的专注力进行预测，将当前的专注状态输出到显示屏或网络后台，供被测人员或管理者分析使用，把预测的专注状态输出到显示屏或网络后台，供被测人员或管理者分析使用。
实施例
为了进一步对本发明所提方法的预测效果进行验证，分别进行以下实验。
1、瞳孔直径调节能力指数中的双重效应实验
通过16个大学生完成网络课程的认知任务，同时采集并计算16个大学生瞳孔直径，计算调节能力曲线，如图2所示。从图2中可以看出，调节能力曲线呈现总体的下降和波动性两个明显效应。总体下降趋势可以用由于疲劳引起的调节能力下降解释；但波动性如何解释呢。根据现有技术记载，人在做认知任务时大脑通常会在专注模式(exploitation)和非专注模式(exploration)之间切换。我们观察到的调节能力曲线的波动性非常有可能就是由于两种模式的切换造成。非专注模式付出的认知努力更小，大脑工作绩效和调节能力应该如何变化，是否应该同时下降？为了验证这一点，我们进一步进行实验验证，探讨专注模式和非专注模式分别对应的波峰还是波谷。
2、验证专注模式和非专注模式哪一种代表调节能力指数高
(1)实验材料
本实验中主要用到的七鑫易维aSee Pro眼动仪来测量和记录瞳孔数据，是一款高精度、多功能的眼动追踪仪器，采用独特的多点校正算法，解决了传统眼动仪存在的视觉场畸变等误差问题，提升了测试结果的准确性和可靠性。并配套提供了专业的眼动数据分析软件，支持眼动数据的实时记录、保存、回放和分析，让用户能够更加全面地了解眼动数据背后的含义和规律。此外，七鑫易维aSee Pro眼动仪还支持数据的实时采集与存储、多通道数据同步采集、多种眼动任务设计与分析等功能，使测试结果更加准确。
(2)实验试剂
格林泰克GT5导电膏 武汉格林泰克科技有限公司，中国
(3)受试对象
本实验招募志愿者19名(5男14女，平均年龄：21.14岁，年龄范围：19-27岁)。所有参与者的视力正常或矫正到正常，并给予书面知情同意，符合空军军医大学医学伦理委员会要求。
(4)实验方法
i)实验范式
本实验任务的流程如图3(c)所示。本任务过程中共有60个试次，在每个试次中，受试者先看到指导语“请放空大脑，保持放松”(如图3(a))。之后，屏幕中央出现“+”符号，受试者需要注视‘+’，以稳定受试的瞳孔注意位置，防止眼球运动对瞳孔直径的采集产生干扰。‘+’符号持续出现15s，在此期间，受试者需要保持非专注状态，不进行任何思维运动。15s过后，屏幕中出现指导语“‘T’出现时，请立即按‘空格’”(如图3(b))，指导语持续3s，之后在1s至6s内会随时出现目标对象‘T’。此时，受试者结束之前的非专注状态，进入专注状态，时刻警惕目标‘T’出现。在‘T’出现后，受试者按下空格键，继续进入下一个试次。
实验中用E-prime软件编写实验程序，专注状态指导语和目标‘T’字体颜色为红色，其他指导语字体均为黑色，背景为白色，来减少光照变化对瞳孔直径造成的影响。整个实验过程中保持光照不变，实验环境保持安静。
ii)数据采集
在亮度适宜，光线稳定的环境中进行实验。亮度适宜有利于认知任务中采集瞳孔数据。实验全程用支架固定受试者头部，以避免由于头部移动所引起的数据有效率降低。使用七鑫易维aSee Pro眼动仪记录数据，包括注视点位置和瞳孔直径等信息。数据采集和实验过程记录在配套的aSeeStudio软件中，每次实验前均进行双眼3点校准。同时，使用博睿康脑电设备记录实验过程中受试者脑电数据。
iii)数据处理
将眼动仪采样频率设置为100Hz，其实际采样率要低于设置值，但并不影响瞳孔数据的处理。通过aSeeStudio软件可以获取实验中屏幕录制视频和原始瞳孔数据。
S1：实验时间点标注
对实验中时间发生的时间点进行标注，从而便于进行后续的数据分割工作。实验中共有60个试次，每个试次中存在两个时间点分别为非专注状态开始时间和专注状态开始时间，因此共需要标注120个时间点。传统方法为观看实验中录制的屏幕视频，手动标注时间点。但这种方法工作量巨大，耗费大量时间和精力。为此，使用Matlab软件编写自动化处理程序，选择需要标注的视频帧作为关键帧，程序会自动找到与关键帧相似的视频帧，从而自动标注所有时间点并保存。
S2：数据分割
在上述过程中已经获得非专注状态与专注状态开始的时间点，两者前后衔接，形成120个时间段。对原始的瞳孔直径数据按照相应的时间点进行分割，产生60个非专注模式时间段与60个专注模式时间段。
S3：数据清洗
眨眼期间，眼动仪监测到的无效数据会被记录为-1，当一个数据段内-1出现的次数过多时，会导致后续计算无效。因此，当一个数据段内-1数量占整体数据的比例超过50％时，这段数据会被舍去。
S4：数据插值
进行数据清洗后，数据段中仍存在无效数据-1(如图4(a))，使用-1点前后的两个数据点做线性插值来代替-1点(如图4(b))。
(5)瞳孔数据处理结果
完成上述实验的19名受试者中5名受试的数据有大量异常数据，数据有效率低。因此舍弃了这5名受试者的数据，对其余14名受试者的数据进行处理和分析。图5(a)中显示了其中12名受试者的瞳孔直径调节能力指数的结果。每幅图中蓝色柱体表示的是受试者在非专注状态下瞳孔直径调节能力指数平均值，红色柱体表示的是受试者在专注状态下瞳孔直径调节能力指数平均值，且上方蓝色误差条表示相应的标准误。图5(b)中显示了两种模式下受试者整体的瞳孔直径调节能力指数的表现。可以看出无论个体或整体，受试者在专注状态(即横坐标tense)下的瞳孔直径调节能力指数均高于其在非专注状态(即横坐标relax)下的熵。
此外，对所有受试者两种模式下的瞳孔直径调节能力指数进行配对t检验，统计检验结果为P＝8.4452e-33(P<0.05)，具有显著性差异。
(6)实验结论
本实验主要对非专注模式与专注模式下瞳孔直径调节能力指数进行对照，记录了受试者的瞳孔直径，并进行分析计算。从实验结果中可以看出，无论瞳孔直径调节能力指数在专注模式下更高。受试者在非专注模式下付出的认知努力更小，而当受试者切换为专注状态时，其认知功能得到激活，人更可能处于注意力集中状态。这解释了瞳孔直径调节能力指数中观察到的波动性是两种工作模式的切换。由于瞳孔直径调节能力中的波谷代表了非专注模式，因此不利于驾驶，而瞳孔直径调节能力下降的趋势也不利于驾驶，二者是一致的，都是越低越不利于驾驶，这就证明了本发明通过瞳孔直径调节能力指数曲线进行脑疲劳外显的超前预测的可行性。
3、本发明所提超前预报方法实验
(1)性能测试内容
为了进一步验证本发明所提疲超前预报方法的性能，本实验通过三项指标进行测试，并与perclos疲劳检测算法进行对比，验证本发明预测方法的准确性。
(2)测试环境
软件环境：Visual Studio 2022，MATLAB R2022a、Anaconda 2022
(3)受试对象
招募志愿者5名(3男2女，平均年龄:20.6岁，年龄范围:19-27岁)。5名志愿者均参与了模拟驾驶实验。
(4)实验流程
S1：将人体眼球与眼动仪对准且距离一定，按照眼动仪校准软件流程进行校准确保实验采集数据真实可靠。调整另外一台电脑的摄像头，确保面部信息能被采集；
S2：使用软件X-plane进行模拟驾驶；
S3：当被测人员开始模拟驾驶时，运行本发明所提疲劳超前预报方法代码(基于本发明预报方法设计的测试软件)，同时运行perclos疲劳检测算法代码作为疲劳检测对照，用来验证本预测方法的准确性；
S4：分别进行测试项目一、测试项目二；
i)测试项目一：软件在运行五分钟后是否能成功绘制线性预测、AR模型图像，以及是否能在文本显示区显示预测疲劳时间；
ii)测试项目二：对比本发明的脑疲劳智能预测时间与perclos程序汇报疲劳间的时间误差，并判断是否在可接受的3分钟内；
S5：对上述测试项目的结果进行测试记录，如表1所示。
表1功能测试数据记录表
在脑疲劳智能预测测试实验中，在多个受试者的测试中均可以看出随着驾驶任务的进行，所绘制的曲线形成波动性和缓慢下降的趋势，并在软件运行5分钟后出现预测曲线并显示出预测疲劳时间，与perclos程序所测得的疲劳时间误差不大于3分钟。
(5)实验结果
对非专注模式与专注模式下增益调节信号调节能力指数进行对照，记录了受试者的瞳孔数据和脑电数据并进行分析计算。从实验结果中可以看出，瞳孔调节能力指数专注模式下更高。受试者在非专注模式下付出的认知努力更小，此时受试者作为复杂系统其功能状态处于较低水平。而当受试者切换为专注状态时，其认知功能得到激活。这也表明了当增益调节信号的调节能力指数处于高水平时，人更可能处于注意力集中状态。而当其降低时，可能表明其出现走神或疲劳等非专注状态。
因此可以得出结论，该实验证明瞳孔直径调节能力指数中的波动性为两种工作模式的切换，波峰为专注模式，波谷为非专注模式。
结合脑疲劳智能预测测试可得，通过模拟用户长时间驾驶所出现的疲劳状况，并实时将PERCLOS疲劳检测算法作为对比判断，根据三种不同的测试指标脑疲劳智能预测系统的功能均正确，成功绘制线性预测、AR模型图像并显示预测剩余疲劳时间，并在用户出现脑疲劳时及时给予刺激，提高专注度，即用户可根据此系统提前预知疲劳状况并规避驾驶带来的风险。
(6)功能测试
通过对三位受试者进行教学内容学习任务测试，对本发明所提预测方法的功能进行验证。
首先，受试者1观看视频教学内容，同时记录瞳孔直径(图6a第一行)。按本发明方法计算生理性脑疲劳指数(图6a第二行)黑线，建立预测模型，根据数据得到预测模型的参数，画出预测线(图6b中的红色虚线)；
预测线参数为：(单位：奈特)。其中斜率为-0.0012506tn奈特每秒，截距为1.2805奈特。根据实验确定的外显的脑疲劳阈值为0.2奈特。那么，根据计算，大约经过14分钟可以达到疲劳。
其次，受试者2进行如上相同的实验步骤，其结果如图7a-图7b所示，其预测线参数为：(单位：奈特)。根据计算，大约经过101分钟可以达到疲劳。
最后，受试者3进行如上相同的实验步骤，其结果如图8a-图8b所示，且其预测线参数为：(单位：奈特)。根据计算，大约经过149分钟可以达到疲劳。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种注意力水平监控及预测方法，其特征在于，包括以下步骤：
步骤1：数据获取，同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
步骤2：数据预处理，对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
步骤3：指数计算，根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列，计算环境光指数，得到环境光指数的时间序列；
步骤4：指数矫正，根据环境光指数的时间序列采用自适应滤波器去除环境光干扰，从而得到矫正后的调节能力指数的时间序列；
步骤5：注意力水平计算，根据矫正后的调节能力指数的时间序列取基线得到注意力水平指数；
步骤6：注意力模式分类，根据注意力水平指数对注意力模式进行分类，分为专注状态和非专注状态；
步骤7：预测建模，根据注意力水平指数的时间序列构建注意力水平预测模型；
步骤8：输出，利用注意力水平预测模型对当前被测人员的专注力水平进行预测，将当前的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，判断是否处在合理的范围之内，如果超出合理范围可报警提示，把预测的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，如果即将超出合理范围，进行报警。
2.一种注意力监控及预测装置，其特征在于，包括数据获取模块、数据预处理模块、指数计算模块、指数矫正模块、注意力模式分类模块、预测建模模块以及输出模块；
数据获取模块，用于同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
数据预处理模块，用于对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
指数计算模块，用于根据预处理后的瞳孔直径数据，定义调节能力指数，并计算调节能力指数得到调节能力指数的时间序列，计算环境光指数，得到环境光指数的时间序列；
指数矫正模块，用于基于环境光指数的时间序列通过自适应滤波器去除环境光干扰，得到矫正的调节能力指数的时间序列；
注意力模式分类模块，用于根据调节能力指数的时间序列对当前模式进行分类，判断当前被测人员处于专注模式或非专注模式；
预测建模模块，根据注意力水平指数的时间序列构建注意力水平预测模型；
输出模块，利用注意力水平预测模型对当前被测人员的专注力水平进行预测，将当前的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，判断是否处在合理的范围之内，如果超出合理范围可报警提示，把预测的注意力水平输出到显示屏或网络后台，供被测人员或管理者分析使用，如果即将超出合理范围则进行报警。
3.一种电子设备，其特征在于，包括，
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1中所述的方法。
4.一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1中所述的方法。
CN202310913282.3A 2023-07-25 2023-07-25 一种注意力水平监控及预测方法、装置、设备和存储介质 Pending CN117056793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310913282.3A CN117056793A (zh) 2023-07-25 2023-07-25 一种注意力水平监控及预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310913282.3A CN117056793A (zh) 2023-07-25 2023-07-25 一种注意力水平监控及预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117056793A true CN117056793A (zh) 2023-11-14

Family

ID=88659948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310913282.3A Pending CN117056793A (zh) 2023-07-25 2023-07-25 一种注意力水平监控及预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117056793A (zh)

Similar Documents

Publication Publication Date Title
US8808195B2 (en) Eye-tracking method and system for screening human diseases
US8814357B2 (en) System and method for identifying the existence and position of text in visual media content and for determining a subject&#39;s interactions with the text
CN108542404B (zh) 注意力评估装置、vr设备及可读存储介质
CN110428908B (zh) 一种基于人工智能的眼睑运动功能评估系统
CN114209324B (zh) 基于图像视觉认知的心理测评数据获取方法及vr系统
CN109620266B (zh) 个体焦虑水平的检测方法和系统
CN110464367B (zh) 基于多通道协同的心理异常检测方法和系统
US20230052100A1 (en) Systems And Methods For Optical Evaluation Of Pupillary Psychosensory Responses
CN113693552A (zh) 视觉疲劳监测方法、装置、电子设备及可读存储介质
CN112006700B (zh) 一种用于眼动仪的情感识别系统及方法
CN111743553B (zh) 一种基于眼动数据的情感特征提取方法及系统
CN107610099A (zh) 一种基于瞳孔信息的情感精神状态检测系统及方法
CN114327077B (zh) 一种基于眼动跟踪的学习者感知能力水平分析方法及装置
CN113974627B (zh) 一种基于脑机生成对抗的情绪识别方法
CN109308118A (zh) 基于eog的中文眼写信号识别系统及其识别方法
CN117056872A (zh) 一种脑疲劳超前预测方法
CN113658697A (zh) 一种基于视频注视差异的心理测评系统
CN117056793A (zh) 一种注意力水平监控及预测方法、装置、设备和存储介质
CN110693508A (zh) 多通道协同的心理生理主动感知方法及服务机器人
CN115022617B (zh) 基于脑电信号和时空多尺度联合网络的视频质量评价方法
CN113255786B (zh) 基于脑电信号和目标显著特性的视频质量评价方法
CN115444422A (zh) 一种基于眼动数据的真实环境心理负荷评估方法和系统
CN110516711B (zh) Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
Chen et al. Blinking: Toward wearable computing that understands your current task
US11966511B2 (en) Method, system and computer program product for mapping a visual field

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination